# ข้อความถอดเสียงและคำบรรยาย YouTube: จากวิดีโอหนึ่งรายการสู่ชุดข้อมูลฝึกโมเดล

เรียนรู้วิธีดูข้อความถอดเสียง YouTube แยกแยะคำบรรยายที่ครีเอเตอร์จัดทำจากคำบรรยายที่สร้างหรือแปลอัตโนมัติ และจับคู่ข้อความกับเสียงสำหรับชุดข้อมูลฝึกโมเดล

อ้างอิงทางคลอง: https://flashdata.dev/th/docs/guides/youtube-transcripts-and-captions
FlashData · ตรวจสอบแหล่งอ้างอิงเมื่อ: 2026-11-19

เปิดคำอธิบายวิดีโอแล้วเลือก **แสดงข้อความถอดเสียง** หากมีคำบรรยาย คุณจะอ่านข้อความและข้ามไปยังช่วงเวลาที่มีการพูดข้อความนั้นได้ โดยไม่ต้องใช้ API หรือดาวน์โหลด

<a id="get-text-from-one-video"></a>

## วิธีดูข้อความถอดเสียง YouTube โดยไม่ต้องดาวน์โหลดวิดีโอ


- [YouTube: ดูข้อความถอดเสียงวิดีโอ](https://support.google.com/youtube/answer/15930243?hl=en)

1. **ค้นหาข้อความที่ต้องการ** ในหน้ารับชม ให้ขยายคำอธิบายแล้วเลือก **แสดงข้อความถอดเสียง** เลือกบรรทัดเพื่อเล่นวิดีโอตรงช่วงเวลานั้น
2. **ตรวจสอบภาษา** เมนู **คำบรรยาย/CC** ของโปรแกรมเล่นใช้ควบคุมข้อความ ส่วน **แทร็กเสียง** หากมี จะควบคุมเสียงที่คุณได้ยิน การเปลี่ยนเสียงไม่ได้รับประกันว่าข้อความถอดเสียงจะเปลี่ยนตาม
3. **ตรวจสอบข้อความอ้างอิง** คัดลอกข้อความหากเลือกข้อความได้ หรือจดคำพูดพร้อมเวลา เล่นบรรทัดนั้นซ้ำเพื่อตรวจสอบชื่อ ตัวเลข และคำอย่าง "not" ที่อาจทำให้ความหมายกลับด้าน

- [การตั้งค่าคำบรรยาย](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)
- [YouTube: การตั้งค่าแทร็กเสียง](https://support.google.com/youtube/answer/13339776?hl=en)

<a id="save-your-captions"></a>

### บันทึกคำบรรยายสำหรับวิดีโอที่คุณจัดการ


ใน **YouTube Studio → คำบรรยาย** ให้เลือกวิดีโอ แล้วเลือก **แก้ไข** ข้างภาษาที่ต้องการ ภายใต้ **ตัวเลือก** ให้เลือก **ดาวน์โหลดคำบรรยาย** เก็บไฟล์ที่มีข้อมูลเวลาไว้ คุณสามารถส่งออกสำเนาข้อความล้วนได้ภายหลัง

หากยังไม่มีแทร็กและคุณมีสคริปต์ในภาษาที่พูด Studio สามารถซิงก์สคริปต์ให้ตรงกับเสียงได้

- [ดาวน์โหลดหรือแก้ไขคำบรรยาย](https://support.google.com/youtube/answer/2734705?hl=en)
- [เพิ่มคำบรรยายหรือซิงก์สคริปต์](https://support.google.com/youtube/answer/2734796?hl=en)

<a id="when-there-is-no-track"></a>

### เมื่อไม่มีแทร็กคำบรรยาย


การดึงคำบรรยายคือการอ่านข้อความที่มีอยู่แล้ว ส่วนการถอดเสียงคือการสร้างข้อความใหม่จากเสียง สำหรับไฟล์บันทึกที่คุณเป็นเจ้าของหรือได้รับอนุญาตให้ประมวลผล ให้ใช้เครื่องมือแปลงเสียงเป็นข้อความในโหมด **ถอดเสียง (transcribe)** เพื่อคงภาษาที่พูดไว้ การแปลเป็นอีกขั้นตอนหนึ่ง หากไม่มีคำบรรยายและไม่มีสิทธิ์เข้าถึงเสียง ให้ขอข้อความถอดเสียงจากผู้เผยแพร่

ตัวอย่างเช่น หากต้องการถอดเสียงบทสัมภาษณ์ภาษาอังกฤษของคุณบนเครื่อง ให้เลือกสตรีมเสียงที่ถูกต้องก่อน เมื่อติดตั้ง FFmpeg, `whisper-cli` จากคู่มือเริ่มต้นฉบับย่อของ whisper.cpp และโมเดลภาษาอังกฤษ `base.en` แล้ว คำสั่งต่อไปนี้จะสร้างทั้ง `interview.txt` และ `interview.srt`:

- [เริ่มต้นใช้งาน whisper.cpp](https://github.com/ggml-org/whisper.cpp#quick-start)

**ถอดเสียงไฟล์บันทึกบนเครื่องด้วย whisper.cpp**

```bash
ffmpeg -i interview.mp4 -map 0:a:0 -ac 1 -ar 16000 -c:a pcm_s16le interview.wav
whisper-cli -m models/ggml-base.en.bin -f interview.wav -l en -otxt -osrt -of interview
```

ในตัวอย่างนี้ `0:a:0` จะเลือก **สตรีมเสียงแรก** ซึ่งอาจไม่ใช่ภาษาต้นฉบับ ให้ฟังก่อน ตัวอย่างเช่น สำหรับเสียงพูดภาษาญี่ปุ่น ให้เลือกสตรีมภาษาญี่ปุ่น ใช้โมเดลหลายภาษา `ggml-base.bin` และตั้งค่า `-l ja` ตรวจสอบผลลัพธ์เทียบกับไฟล์บันทึก ข้อความนี้สร้างขึ้นด้วยกระบวนการถอดเสียงของ **คุณเอง** ไม่ใช่แทร็กคำบรรยายที่ YouTube จัดให้

<a id="what-captions-subtitles-and-transcripts-are"></a>

## คำบรรยายแทนเสียง คำบรรยาย และข้อความถอดเสียงคืออะไร


**แทร็กคำบรรยาย** ประกอบด้วยช่วงคำบรรยายเรียงต่อกัน โดยแต่ละช่วงมีข้อความและเวลาที่ควรแสดง คำบรรยายแบบเปิดปิดได้สามารถเปิดหรือปิดการแสดงผลได้ คำบรรยายเพื่อการเข้าถึงสื่อถึงเสียงที่มีความหมายควบคู่กับคำพูด เช่น การเปลี่ยนผู้พูด เสียงเคาะประตู หรือเสียงเตือนที่มีคนตอบสนอง คำว่า **คำบรรยาย (subtitles)** มักหมายถึงบทสนทนาที่แปลแล้ว แต่ในหลายประเทศก็ใช้เรียกคำบรรยายภาษาเดียวกับเสียงด้วย ชื่อเมนูเพียงอย่างเดียวไม่ได้บอกว่าใครเขียนข้อความหรือข้อความนั้นเป็นคำแปลหรือไม่

- [W3C: คำบรรยายแทนเสียงและคำบรรยาย](https://www.w3.org/WAI/media/av/captions/)

**ข้อความถอดเสียง** นำเสนอคำพูดให้อ่าน โดยอาจมีหรือไม่มีข้อมูลเวลา แผงข้อความถอดเสียงของ YouTube เป็นมุมมองสำหรับอ่านคำบรรยาย ไม่ใช่ผลการถอดเสียงครั้งที่สองที่ทำแยกกัน ส่วน **บทสรุป** ก็แตกต่างออกไปอีก เพราะอาจตัดเนื้อหาบางส่วนหรือเรียบเรียงใหม่ หากผู้พูดบอกว่า "วางไว้ตรงนี้" พร้อมชี้ไปที่แผนภาพ ข้อความถอดเสียงอาจแสดงเพียงคำพูดนั้นโดยไม่อธิบายว่าตรงไหน ข้อความถอดเสียงแบบบรรยายจะเพิ่มข้อมูลภาพที่ขาดไป

- [W3C: ข้อความถอดเสียง](https://www.w3.org/WAI/media/av/transcripts/)

<a id="the-three-types-of-youtube-captions"></a>

## คำบรรยาย YouTube สามประเภท


เมื่อเปรียบเทียบข้อความถอดเสียง ให้จำแนก **แทร็กคำบรรยายที่คุณได้รับจริง** แหล่งที่มาที่พบบ่อยมีสามประเภท ได้แก่ คำบรรยายที่ครีเอเตอร์จัดทำ การถอดเสียงอัตโนมัติของ YouTube และการแปลอัตโนมัติของ YouTube สองประเภทหลังใช้ระบบอัตโนมัติเหมือนกัน แต่มีเพียงประเภทเดียวที่ฟังเสียงพูด

| แหล่งที่มาของคำบรรยาย | วิธีสร้างข้อความ | ตัวอย่าง: บทสัมภาษณ์ภาษาญี่ปุ่น |
| --- | --- | --- |
| **ครีเอเตอร์จัดทำ (ผู้อัปโหลด)** | ช่องเป็นผู้จัดทำหรือเผยแพร่ข้อความ อาจพิมพ์เอง อัปโหลด หรือแก้ไขจากฉบับร่างอัตโนมัติ ไม่จำเป็นต้องเขียนขึ้นใหม่ทั้งหมดหรือถอดคำพูดตรงทุกคำ | ครีเอเตอร์เผยแพร่คำบรรยายภาษาอังกฤษว่า "Please wait a moment." ข้อความนี้เป็นคำแปล แต่แหล่งที่มายังคงเป็น **ครีเอเตอร์** ไม่ใช่การแปลอัตโนมัติของ YouTube |
| **YouTube สร้างอัตโนมัติ (การรู้จำเสียงพูด หรือ ASR)** | YouTube แปลง **เสียงพูดเป็นข้อความในภาษาเดียวกัน** ระบบอาจฟังคำพูดผิดได้ โดยไม่ได้มีการแปลภาษา | ผู้ให้สัมภาษณ์พูดว่า chotto matte แทร็กแสดงคำพูดนั้นเป็นภาษาญี่ปุ่น |
| **YouTube แปลอัตโนมัติ (การแปลด้วยเครื่อง)** | YouTube แปลง **ข้อความคำบรรยายที่มีอยู่ให้เป็นอีกภาษา** ต้นทางอาจเป็นคำบรรยายที่ผู้อัปโหลดจัดทำหรือสร้างอัตโนมัติ ระบบไม่ได้ฟังเสียงพากย์ในภาษาเป้าหมาย | YouTube แปลคำบรรยายภาษาญี่ปุ่นเป็นภาษาอังกฤษว่า "Wait a little." หากคำบรรยายภาษาญี่ปุ่นฟังชื่อผิด คำแปลก็อาจรับข้อผิดพลาดนั้นต่อมา |

- [YouTube Studio: แก้ไขคำบรรยาย](https://support.google.com/youtube/answer/2734705?hl=en)
- [YouTube: คำบรรยายอัตโนมัติ](https://support.google.com/youtube/answer/6373554?hl=en)
- [YouTube: การแปลคำบรรยาย](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="why-one-video-can-have-several-english-texts"></a>

### ทำไมวิดีโอหนึ่งรายการจึงมีข้อความภาษาอังกฤษได้หลายแบบ


**เสียงพากย์คือเสียง ไม่ใช่คำบรรยายประเภทที่สี่** ในบทสัมภาษณ์สมมติเดียวกันนี้ ผู้พากย์ภาษาอังกฤษอาจพูดว่า "Give me a second." คำบรรยายภาษาอังกฤษทั้งสองแบบข้างต้นสื่อความหมายได้ แต่ไม่มีแบบใดใช้ถ้อยคำที่พูดจริง คุณใช้แบบใดก็ได้เพื่อทำความเข้าใจ แต่หากต้องการอ้างคำพูดโดยตรง ให้ฟังเสียงพากย์ และสำหรับชุดข้อมูลการแปล ให้เก็บข้อความต้นทางและวิธีแปลแยกไว้ด้วย

เสียงต้นฉบับคือการพูดหรือการแสดงต้นทาง ส่วนเสียงที่เล่นโดยค่าเริ่มต้นคือเสียงที่โปรแกรมเล่นเลือก ซึ่งอาจต่างกันตามค่ากำหนดของผู้ชม การเปลี่ยนภาษาคำบรรยายไม่ได้เปลี่ยนเสียง อย่าคิดว่าเสียงพากย์ทุกภาษาจะมีแทร็ก ASR ที่ตรงกัน YouTube อธิบายว่าคำบรรยายอัตโนมัติของวิดีโอที่มีหลายแทร็กเสียงเป็นคำบรรยายในภาษาเริ่มต้น ไม่ใช่การถอดเสียงแยกสำหรับเสียงพากย์ทุกภาษา

- [ภาษาของเสียงที่ต้องการ](https://support.google.com/youtube/answer/13339776?hl=en)
- [คำบรรยายอัตโนมัติของ YouTube](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="choose-a-format"></a>

## รูปแบบข้อความถอดเสียง YouTube: TXT, SRT, VTT และ JSON


| รูปแบบ | เหมาะสำหรับ | สิ่งที่ควรคำนึงถึง |
| --- | --- | --- |
| ข้อความล้วน (TXT) | อ่าน จดบันทึก หรือสรุปเนื้อหา | แก้ไขได้ง่าย แต่การแปลงแทร็กให้เหลือข้อความล้วนจะทำให้ความเชื่อมโยงระหว่างแต่ละบรรทัดกับวิดีโอหายไป เว้นแต่คุณจะเก็บไว้แยกต่างหาก |
| SubRip (SRT) | ย้ายคำบรรยายที่มีข้อมูลเวลาระหว่างโปรแกรมตัดต่อกับโปรแกรมเล่น | ช่วงคำบรรยายมีหมายเลขกำกับ พร้อมเวลาเริ่มต้นและสิ้นสุด เหมาะเมื่อเน้นการเล่นมากกว่าการจัดรูปแบบที่ซับซ้อน |
| WebVTT (VTT) | คำบรรยายสำหรับโปรแกรมเล่นบนเว็บ | เก็บเวลาแสดงของช่วงคำบรรยายไว้ และอาจมีข้อมูลเพิ่มเติม เช่น ตำแหน่งหรือป้ายระบุผู้พูด หากผู้จัดทำใส่ไว้ |
| JSON หรือ JSON Lines (JSONL) | ค้นหาข้ามวิดีโอหรือสร้างชุดข้อมูล | คุณเป็นผู้เลือกสคีมา ให้ระบุว่าเวลาใช้หน่วยวินาทีหรือมิลลิวินาที และอ้างอิงวิดีโอเต็มหรือคลิปที่ส่งออก |

ต่อไปนี้คือคำบรรยายสมมติที่ผู้อัปโหลดจัดทำในรูปแบบ WebVTT ช่วงเวลา 1.9 วินาทีระบุ **เวลาที่ต้องแสดงช่วงคำบรรยาย** ไม่ใช่เวลาเริ่มต้นและสิ้นสุดของแต่ละคำ

- [รูปแบบ WebVTT](https://www.w3.org/TR/webvtt1/)
- [รูปแบบคำบรรยายที่ YouTube รองรับ](https://support.google.com/youtube/answer/2734698?hl=en)

**ช่วงคำบรรยาย WebVTT พร้อมข้อมูลเวลา**

```vtt
WEBVTT

00:01:04.200 --> 00:01:06.100
Please wait a moment.
```

สำเนาข้อความล้วนอาจมีเพียง "Please wait a moment." ส่วนบันทึกที่ค้นหาได้จะมีประโยชน์มากขึ้นเมื่อเขียนเป็น "01:04 · Please wait a moment." หากคุณตัดคลิปโดยเริ่มที่ 01:00 คำบรรยายนี้ต้องอยู่ที่ **วินาทีที่ 4.2 ถึง 6.1 ในคลิปนั้น** ไม่ใช่ 64.2 ถึง 66.1 เก็บช่วงเวลาต้นฉบับไว้เพื่อให้ย้อนกลับไปหาแหล่งอ้างอิงได้

<a id="build-a-transcript-dataset"></a>

## วิธีสร้างชุดข้อมูลข้อความถอดเสียง YouTube


ก่อนรวบรวมแทร็กหลายพันรายการ ให้ตัดสินใจว่า **ตัวอย่างหนึ่งรายการ** ควรใช้แสดงอะไร ช่วงคำบรรยายเดียวกันอาจใช้ได้กับชุดข้อมูลหนึ่ง แต่ไม่เหมาะกับอีกชุดหนึ่ง:

| เป้าหมายของชุดข้อมูล | หลักฐานที่เป็นประโยชน์ | สิ่งที่ควรคัดออกหรือติดป้ายแยก |
| --- | --- | --- |
| การค้นหา การสรุป หรือการตอบคำถาม | ข้อความที่อ่านเข้าใจได้ ภาษาของข้อความ รหัสวิดีโอ และช่วงเวลาสำหรับอ้างอิง | อย่านำเสนอข้อความที่แปลแล้วว่าเป็นคำพูดตรงทุกคำของผู้พูด เก็บบทสรุปแยกจากข้อความต้นทาง |
| การรู้จำเสียงพูดหรือการจัดแนวคำกับเสียง | คลิปเสียงเฉพาะที่จับคู่กับคำพูดซึ่งได้ยินจริงในคลิปนั้น | อย่าใช้เสียงพากย์ที่ไม่ตรงกันหรือข้อความที่เรียบเรียงใหม่เป็นป้ายกำกับคำพูดตรงทุกคำ แยกผล ASR ที่ยังไม่ผ่านการตรวจสอบออกจากข้อความอ้างอิงที่มนุษย์ตรวจแล้ว |
| การแปลเสียงพูดหรือข้อความ | เสียงพูดหรือข้อความต้นทางที่ระบุชัดเจน พร้อมคำแปลที่สอดคล้องกัน | หากทราบ ให้แยกให้ได้ว่าคำแปลใดมาจากมนุษย์หรือเครื่อง ช่วงคำบรรยายต่างภาษาอาจแยกหรือรวมกัน บรรทัดที่ 12 จึงไม่จำเป็นต้องเป็นคำแปลของบรรทัดที่ 12 |
| การฝึกด้วยวิดีโอและข้อความหรือข้อมูลหลายรูปแบบ | ข้อความที่บรรยายสิ่งที่ปรากฏในเฟรมที่เกี่ยวข้อง | เสียงบรรยายอาจพูดถึงสิ่งที่อยู่นอกกล้องหรือขั้นตอนถัดไป ตัวอย่างเช่น HowTo100M ใช้เสียงบรรยายการสอนเป็นสัญญาณสำหรับฝึกโมเดล ไม่ใช่คำบรรยายทุกเฟรมที่มนุษย์ตรวจสอบแล้ว |

- [HowTo100M](https://www.di.ens.fr/willow/research/howto100m/)

<a id="record-the-audio-and-caption-pair"></a>

### บันทึกคู่เสียงและคำบรรยาย


รหัสวิดีโอเพียงอย่างเดียวไม่พอ เพราะไม่ได้บอกว่าคุณใช้เสียงใด ดึงคำบรรยายเวอร์ชันไหน หรือเหตุใดผู้ตรวจสอบจึงยอมรับคู่นั้น ต่อไปนี้คือตัวอย่างระเบียนชุดข้อมูลเพื่อประกอบความเข้าใจ ไม่ใช่การตอบกลับจาก API ของ YouTube หรือ FlashData:

**รายการกำกับชุดข้อมูล: คำบรรยายหนึ่งช่วงและเสียงที่จับคู่กัน**

```json
{
  "video_id": "EXAMPLE0001",
  "audio_asset": "interview-en-dub.wav",
  "audio_language": "en",
  "caption_language": "en",
  "caption_origin": "uploader",
  "start_s": 64.2,
  "end_s": 66.1,
  "time_base": "source_video",
  "text": "Please wait a moment.",
  "review": "English dub says 'Give me a second.'",
  "use_for_search": true,
  "use_as_verbatim_speech_label": false
}
```

การตัดสินใจข้อสุดท้ายนั้นคือประเด็นสำคัญ แม้ทั้งเสียงและข้อความจะเป็นภาษาอังกฤษและช่วงคำบรรยายตรงเวลา แต่ข้อความก็ **ไม่ใช่** ป้ายกำกับคำพูดตรงทุกคำ สำหรับชุดข้อมูลจริง ให้บันทึกแหล่งที่มาหรือรหัสแทร็กหากมี วันที่ดึงข้อมูล รหัสไฟล์หรือเวอร์ชัน และการอนุญาตหรือใบอนุญาตที่ครอบคลุมการใช้งานที่ตั้งใจไว้ด้วย หากไม่ทราบที่มา ให้ระบุว่าไม่ทราบ อย่าคาดเดาจากชื่อไฟล์

<a id="check-the-collection"></a>

### ตรวจสอบชุดข้อมูลก่อนนำไปใช้


1. **วัดความครอบคลุม** นับวิดีโอที่พยายามดึงข้อมูล วิดีโอที่มีแทร็กในภาษาเป้าหมาย และวิดีโอที่ผ่านนโยบายคุณภาพของคุณ แยก "ไม่มีคำบรรยายที่เข้าเกณฑ์" ออกจาก "ดึงข้อมูลไม่ได้" มิฉะนั้น ความล้มเหลวชั่วคราวอาจทำให้ดูเหมือนว่าภาษานั้นมีคำบรรยายครอบคลุมน้อย
2. **ฟังและสุ่มตรวจ** ตรวจสอบคลิปจากหลายภาษา หลายแหล่งคำบรรยาย และหลายช่อง ตรวจสอบว่าตัวเลข ชื่อ คำปฏิเสธ การเปลี่ยนผู้พูด และขอบเขตช่วงคำบรรยายตรงกับไฟล์บันทึกจริง สำหรับงานคำพูดตรงทุกคำ ให้เปรียบเทียบตัวอย่างกับข้อความอ้างอิงที่ถอดเสียงแยกอย่างอิสระ อัตราความผิดพลาดระดับคำนับการแทนที่ การลบ และการแทรกต่อจำนวนคำอ้างอิง ไม่ใช่คะแนนคุณภาพการแปลหรือความแม่นยำของเวลา
3. **เก็บต้นทางและฐานเวลาไว้** หากได้รับอนุญาต ให้เก็บแทร็กที่มีข้อมูลเวลาควบคู่กับข้อความที่ทำความสะอาดแล้ว ปรับการขึ้นบรรทัดใหม่ให้เป็นมาตรฐานเพื่อการค้นหา แต่อย่าลบวลีซ้ำโดยไม่ตรวจสอบ เพราะ "ไม่ ไม่" อาจเป็นคำพูดจริง ตรวจสอบช่วงคำบรรยายเทียบกับความยาวคลิป และคำนึงถึงเวลาที่เลื่อนไปจากการตัดคลิป
4. **แบ่งข้อมูลตามไฟล์บันทึก ไม่ใช่ตามบรรทัดคำบรรยาย** ให้คลิป เสียงพากย์ และคำแปลจากไฟล์บันทึกเดียวกันอยู่ในชุดฝึกหรือชุดทดสอบฝั่งเดียวกัน มิฉะนั้น โมเดลอาจได้เห็นบทสัมภาษณ์เดียวกันทั้งระหว่างฝึกและประเมิน อย่านำคู่ข้อมูลที่ยังไม่ได้ตรวจสอบเข้าไปในชุดประเมินที่ใช้วัดความถูกต้องแบบตรงทุกคำ
5. **ตรวจสอบสิทธิ์ก่อนรวบรวมหรือเผยแพร่** การรับชมได้แบบสาธารณะไม่ได้หมายความว่าได้รับอนุญาตให้แจกจ่ายต่อหรือใช้ฝึกโมเดล บันทึกสิ่งที่ให้อำนาจคุณใช้งานตามที่ตั้งใจ ตรวจหาข้อมูลส่วนบุคคล และวางแผนรองรับการแก้ไขหรือนำออก แยกการตัดสินใจนี้ออกจากคุณภาพทางเทคนิค

- [อัตราความผิดพลาดระดับคำ](https://www.nist.gov/system/files/documents/2021/08/03/OpenASR20_EvalPlan_v1_5.pdf)
- [ประเภทใบอนุญาตของ YouTube](https://support.google.com/youtube/answer/2797468?hl=en)
- [ข้อกำหนดในการให้บริการของ YouTube](https://www.youtube.com/static?template=terms)

<a id="retrieve-existing-tracks-with-flashdata"></a>

## ดึงแทร็กที่มีอยู่ด้วย FlashData


ใช้วิธีนี้เมื่อคุณมีรหัสวิดีโอและต้องการคำบรรยาย **ที่มีอยู่แล้ว** ในรูปแบบข้อความและส่วนย่อยพร้อมข้อมูลเวลา วิธีนี้ไม่ได้แปลงเสียงเป็นข้อความให้วิดีโอที่ไม่มีคำบรรยาย YouTube Transcript และ YouTube Captions ใช้กฎการเลือกแทร็กเดียวกัน แต่มีค่าเริ่มต้นต่างกัน: `youtube_transcript` อนุญาตแหล่งอัตโนมัติ (`auto: true`) ส่วน `youtube_captions` ใช้เฉพาะคำบรรยายจากผู้อัปโหลดเป็นค่าเริ่มต้น (`auto: false`) ทั้งสองเลือก **ภาษาอังกฤษ** เมื่อไม่ระบุ `language`

- [YouTube Transcript API](https://flashdata.dev/th/docs/sources/youtube_transcript/reference.md)
- [YouTube Captions API](https://flashdata.dev/th/docs/sources/youtube_captions/reference.md)

ต่อไปนี้คือตัวอย่าง Python สำหรับวิดีโอหนึ่งรายการโดยใช้ `requests` แทนที่คีย์ตัวอย่างและใช้รหัสวิดีโอที่คุณได้รับอนุญาตให้ประมวลผล คำบรรยายจะมีให้ดึงหรือไม่ขึ้นอยู่กับวิดีโอนั้น:

**ดึงข้อความถอดเสียงที่มีอยู่ด้วย Python**

```python
import requests

response = requests.post(
    "https://data.flashdata.dev/v1/queries/realtime",
    headers={"X-API-Key": "your-api-key"},
    json={
        "source": "youtube_transcript",
        "video_id": "jNQXAC9IVRw",
        "params": {"language": "en", "auto": True},
    },
    timeout=(5, 90),
)
response.raise_for_status()
track = response.json()["results"][0]
print(track["languageCode"], track["captionSource"])
print(track["fullText"])
for cue in track["segments"]:
    print(f"{cue['start']:.3f} to {cue['end']:.3f} s: {cue['text']}")
```

<a id="caption-language-and-source"></a>

### เลือกภาษาและแหล่งที่มาของคำบรรยาย


รหัสภาษาอย่าง `"en"` เป็นการขอภาษาอังกฤษโดยไม่ขึ้นกับเสียง หากต้องการอิงตามแทร็กเสียงแทน ให้ใช้ `"original"` สำหรับภาษาที่ระบุว่าเป็นภาษาต้นฉบับ หรือ `"default"` สำหรับภาษาเล่นที่ระบุไว้สำหรับเวิร์กเกอร์ ไม่ใช่ค่าตั้งค่าในเบราว์เซอร์ของคุณ FlashData ระบุค่าทั้งสองจากข้อมูลเสียงในการดึงข้อมูลครั้งเดียวกัน

รหัสแทร็กที่ระบุชัดเจนทำงานต่างออกไป: `"en-orig"` ร่วมกับ `auto: true` จะขอแทร็กอัตโนมัตินั้นโดยตรง โดยไม่มีการเลือกสำรอง ส่วนต่อท้าย `-orig` เป็นรูปแบบการตั้งชื่อของ yt-dlp ไม่ใช่หลักฐานว่าภาษาอังกฤษเป็นเสียงต้นฉบับ

- [yt-dlp: ชื่อแทร็ก YouTube](https://github.com/yt-dlp/yt-dlp/blob/master/yt_dlp/extractor/youtube/_video.py)

สำหรับรหัสภาษาทั่วไป `"default"` หรือ `"original"` การใช้ `auto: true` จะลองแหล่งคำบรรยายตามลำดับต่อไปนี้ โดยทั้งหมดต้องเป็นภาษาเป้าหมาย:

1. **การรู้จำเสียงพูดเป็นข้อความในภาษาเดียวกัน** (`youtube_asr`): YouTube ถอดเสียงพูดเป็นข้อความ
2. **คำบรรยายจากผู้อัปโหลด** (`uploader`): ช่องเป็นผู้จัดทำข้อความ
3. **คำบรรยายอัตโนมัติที่ยังจำแนกไม่ได้** (`youtube_auto_unknown`): หลักฐานไม่เพียงพอที่จะแยกว่าเป็น ASR หรือการแปล นี่คือความไม่แน่ชัดของแหล่งที่มา ไม่ใช่วิธีสร้างคำบรรยายประเภทที่สี่
4. **การแปลด้วยเครื่องของ YouTube** (`youtube_translated`): YouTube แปลจากแทร็กคำบรรยายอื่น

เมื่อใช้ `auto: false` จะมีเพียงคำบรรยายจากผู้อัปโหลดเท่านั้นที่เข้าเกณฑ์ ในตัวอย่างบทสัมภาษณ์ สมมติว่าภาษาเล่นถูกระบุเป็นภาษาอังกฤษ มีคำบรรยายภาษาอังกฤษที่อัปโหลดไว้และคำแปลของ YouTube แต่ไม่มี ASR ภาษาอังกฤษ การขอ `"default"` ร่วมกับ `auto: true` จะคืนค่า `captionSource: "uploader"` และ `isAutoGenerated: false`

<a id="request-more-than-one-caption-language"></a>

### ขอมากกว่าหนึ่งภาษา


ส่งอาร์เรย์ เช่น `["original", "en", "es"]` สำหรับวิดีโอเดียวกัน วิธีนี้จะขอแต่ละตัวเลือกภาษาที่ไม่ซ้ำกันจำนวน 1 ถึง 10 รายการ โดยใช้นโยบาย `auto` เดียวกัน ไม่ใช่เลือกภาษาแรกที่มีให้ แม้อาร์เรย์จะมีเพียงหนึ่งรายการ ก็ยังคืนค่า `results[0].tracks` และ `results[0].errors` แทนแทร็กเดียว

แทร็กที่ดึงสำเร็จจะเรียงตามลำดับคำขอ จับคู่แทร็กด้วย `requestedLanguageCode` หากมี มิฉะนั้นใช้ `languageCode` ข้อผิดพลาดจะระบุตัวเลือกที่ล้มเหลวด้วย `languageCode` เก็บผลสำเร็จไว้เมื่อภาษาอื่นล้มเหลว หากไม่มีภาษาใดสำเร็จ ให้จัดการข้อผิดพลาดระดับคำขอ

<a id="missing-or-failed-captions"></a>

### แยกกรณีไม่มีแทร็กออกจากการดึงข้อมูลล้มเหลว


กรณียังยืนยันภาษาต้นฉบับไม่ได้ (`youtube_original_language_unknown`) แตกต่างจากกรณีทราบภาษาต้นฉบับแล้วแต่ไม่มีคำบรรยายที่เข้าเกณฑ์ (`youtube_original_subtitles_unavailable`) สำหรับภาษาเล่นเริ่มต้น ข้อผิดพลาดที่สอดคล้องกันคือ `youtube_default_language_unknown` และ `youtube_default_subtitles_unavailable`

หาก YouTube ส่ง HTTP 429 ขณะให้บริการคำบรรยายที่แปลแล้ว และไม่มีแทร็กที่ขอใดสำเร็จ API แบบเรียลไทม์ของ FlashData อาจรายงาน **HTTP 502** พร้อม `youtube_subtitle_retrieval_failed` หากสำเร็จบางส่วน ตัวเลือกที่ล้มเหลวอาจมี `errors[].code: "retrieval_failed"` แทน รหัส 502 เพียงอย่างเดียวไม่ได้ยืนยันว่า YouTube ส่ง 429 ส่วนรหัส 429 จากระบบจำกัดคำขอของ FlashData เองเป็นคนละกรณีกับ 429 ที่ YouTube

- [HTTP 429 ขณะให้บริการคำบรรยายที่แปลแล้ว](https://flashdata.dev/th/docs/guides/youtube-transcripts-and-captions/reference.md#why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions)

YouTube Download API เลือกเสียงแยกต่างหากผ่าน `audio_language` และอาจเลือกแทร็กอื่นสำรอง การขอ `"original"` จาก API ทั้งสองจึงไม่ได้ยืนยันว่าเสียงกับคำบรรยายตรงกัน ดูวิธีทำคำบรรยายพร้อมข้อมูลเวลาเพื่อบันทึกผลลัพธ์ และคู่มือไฟล์ Bulk เพื่อประมวลผลรายการรหัสวิดีโอ

- [YouTube Download API](https://flashdata.dev/th/docs/sources/youtube_download/reference.md)
- [วิธีทำคำบรรยายพร้อมข้อมูลเวลา](https://flashdata.dev/th/docs/guides/timestamped-captions-recipe/reference.md)
- [คู่มือไฟล์ Bulk](https://flashdata.dev/th/docs/guides/bulk/reference.md)

<a id="youtube-transcript-faq"></a>

## คำถามที่พบบ่อยเกี่ยวกับข้อความถอดเสียง YouTube


<a id="can-i-get-a-youtube-transcript-for-free-without-downloading-the-video"></a>

### ดูข้อความถอดเสียง YouTube ฟรีโดยไม่ดาวน์โหลดวิดีโอได้ไหม


ได้ หากมีคำบรรยาย ฟีเจอร์ **แสดงข้อความถอดเสียง** ของ YouTube ให้คุณอ่านข้อความในหน้ารับชมได้โดยไม่ต้องซื้อเครื่องมือหรือดาวน์โหลดสื่อ สำหรับการบรรยายหรือบทสัมภาษณ์หนึ่งรายการ ให้เริ่มจากวิธีนี้

- [ดูข้อความถอดเสียงวิดีโอ](https://support.google.com/youtube/answer/15930243?hl=en)

<a id="why-is-there-no-transcript-when-i-can-see-subtitles-in-the-picture"></a>

### ทำไมไม่มีข้อความถอดเสียง ทั้งที่เห็นคำบรรยายอยู่ในภาพ


ลองปิดคำบรรยายแบบเปิดปิดได้ หากข้อความยังอยู่ อาจเป็นคำบรรยายที่ฝังลงในภาพ คือเป็นส่วนหนึ่งของภาพ ไม่ใช่แทร็กข้อความที่เลือกได้ วิดีโออาจยังไม่มีคำบรรยายที่เผยแพร่ หรือคำบรรยายอัตโนมัติอาจยังประมวลผลไม่เสร็จ สำหรับสื่อที่คุณได้รับอนุญาต หากต้องการสิ่งที่ **พูดออกมา** ให้ถอดเสียง หรือหากต้องการข้อความ **ที่ปรากฏบนหน้าจอ** อย่างตรงตัว ให้ใช้การรู้จำอักขระด้วยแสง (OCR) พร้อมตรวจสอบผลลัพธ์ ทั้งสองอย่างอาจไม่ตรงกัน

<a id="can-i-get-english-text-if-the-audio-is-in-another-language"></a>

### รับข้อความภาษาอังกฤษได้ไหม หากเสียงเป็นภาษาอื่น


มักทำได้ แต่ไม่เสมอไป ให้มองหาคำบรรยายภาษาอังกฤษก่อน หากไม่มีในรายการ ให้ตรวจสอบว่าโปรแกรมเล่นมี **แปลอัตโนมัติ** หรือไม่ ฟีเจอร์นี้แปลคำบรรยายที่มีอยู่ ไม่ได้สร้างเสียงภาษาอังกฤษหรือยืนยันว่าเสียงพากย์ภาษาอังกฤษใช้คำพูดเดียวกัน

- [ภาษาคำบรรยายของ YouTube](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)

<a id="does-auto-generated-mean-machine-translated"></a>

### "สร้างอัตโนมัติ" หมายถึง "แปลด้วยเครื่อง" หรือไม่


ไม่ใช่ การรู้จำเสียงพูดแปลงคำพูดเป็นข้อความใน **ภาษาเดียวกัน** ส่วนการแปลด้วยเครื่องเปลี่ยนข้อความจากภาษาหนึ่งเป็นอีกภาษา ทั้งสองกระบวนการอาจทำงานอัตโนมัติ และคำแปลอาจเริ่มจากผลการรู้จำเสียงพูดที่ไม่สมบูรณ์ หากไม่มีการเปิดเผยที่มา ให้ระบุว่าไม่ทราบ

<a id="why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions"></a>

### ทำไม yt-dlp จึงรายงาน HTTP 429 สำหรับคำบรรยายที่ YouTube แปลอัตโนมัติ


วิดีโออาจมีคำแปลอยู่ในรายการ แม้ YouTube จะปฏิเสธคำขออ่านข้อความนั้นด้วย **HTTP 429 (Too Many Requests)** ในปัญหา yt-dlp #13831 คำอธิบายที่ผู้ดูแลปักหมุดไว้ระบุว่า **คำบรรยายที่ YouTube แปลอัตโนมัติ** เป็นกรณีที่ได้รับผลกระทบ แทร็กจากผู้อัปโหลดและ ASR ในภาษาต้นฉบับไม่ได้รับผลกระทบจาก **ปัญหาเฉพาะกรณีนั้น** นี่ไม่ได้หมายความว่าคำแปลทั้งหมดดึงไม่ได้ หรือคำขอคำบรรยายประเภทอื่นจะไม่มีวันถูกจำกัดอัตรา

- [yt-dlp #13831: คำอธิบายที่ผู้ดูแลปักหมุด](https://github.com/yt-dlp/yt-dlp/issues/13831#issuecomment-3712613129)

หากต้องการเพียงข้อความที่อ่านได้ ให้ตรวจหาแทร็กจากผู้อัปโหลดหรือ ASR ภาษาเดียวกับเสียงที่มีอยู่แล้ว **ในภาษาเป้าหมายของคุณ** หากต้องการคำแปลของ YouTube โดยเฉพาะ ให้เก็บแทร็กที่สำเร็จไว้และเลื่อนการดึงเฉพาะคำแปลที่ล้มเหลว ปฏิบัติตาม `Retry-After` หากการตอบกลับมีค่านี้ มิฉะนั้นให้เพิ่มระยะเวลารอก่อนลองใหม่ จำกัดจำนวนครั้ง และหลีกเลี่ยงการลองดึงทั้งชุดซ้ำพร้อมกัน บันทึกผลว่า **ดึงข้อมูลล้มเหลว** ไม่ใช่ **ไม่มีคำบรรยาย** การได้รับแทร็กภาษาญี่ปุ่นสำเร็จไม่ได้ตอบสนองคำขอภาษาอังกฤษ

- [HTTP 429 และ Retry-After](https://datatracker.ietf.org/doc/html/rfc6585#section-4)

<a id="how-do-i-get-just-the-text-without-timestamps"></a>

### ดึงเฉพาะข้อความโดยไม่มีข้อมูลเวลาได้อย่างไร


ส่งออกไฟล์คำบรรยายเป็นข้อความล้วน หรือเชื่อมข้อความแต่ละช่วงตามลำดับ เก็บต้นฉบับที่มีข้อมูลเวลาไว้หากอาจต้องอ้างอิงบรรทัด ตัดคลิป หรือแก้ข้อผิดพลาดในภายหลัง การลบข้อมูลเวลาทำได้ง่าย แต่การหาเวลาที่แม่นยำกลับคืนจากย่อหน้าข้อความเป็นงานจัดแนวอีกขั้นตอนหนึ่ง

<a id="are-transcripts-available-for-youtube-shorts-and-livestreams"></a>

### YouTube Shorts และไลฟ์สตรีมมีข้อความถอดเสียงไหม


YouTube รองรับคำบรรยายอัตโนมัติสำหรับ Shorts ที่เข้าเกณฑ์เช่นเดียวกับวิดีโอแบบยาว แต่ไม่ได้รับประกันว่าจะมีให้ คำบรรยายขณะถ่ายทอดสดกับคำบรรยายของวิดีโอย้อนหลังอาจไม่เหมือนกัน โดย YouTube ระบุว่าจะสร้างคำบรรยายอัตโนมัติใหม่สำหรับเวอร์ชันรับชมย้อนหลัง หากต้องการชุดข้อมูลที่ทำซ้ำได้ ให้บันทึกว่าคุณใช้เวอร์ชันใดและใช้เมื่อใด

- [คำบรรยายอัตโนมัติของ YouTube](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="does-the-official-youtube-data-api-return-transcripts-for-any-public-video"></a>

### YouTube Data API อย่างเป็นทางการคืนข้อความถอดเสียงของวิดีโอสาธารณะใดก็ได้หรือไม่


ไม่ใช่ `captions.list` ของ Google ซึ่งต้องได้รับอนุญาตผ่าน OAuth คืนเพียงเมทาดาทาของแทร็ก ไม่ใช่ข้อความจริง ส่วน `captions.download` ใช้ดึงแทร็กและต้องมีสิทธิ์แก้ไขวิดีโอ การอ่านข้อความถอดเสียงได้ในฐานะผู้ชมไม่เหมือนกับการมีสิทธิ์ API นั้น

- [captions.list](https://developers.google.com/youtube/data/reference/rest/v3/captions/list)
- [captions.download](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="are-speaker-names-and-word-by-word-timestamps-included"></a>

### มีชื่อผู้พูดและข้อมูลเวลาแบบรายคำรวมอยู่ด้วยไหม


ไม่ได้มีข้อมูลเหล่านี้เสมอไป ช่วงคำบรรยายหนึ่งช่วงอาจครอบคลุมทั้งวลี และแทร็กอาจระบุผู้พูด ระบุเสียง หรือไม่ระบุทั้งสองอย่าง หากต้องการทราบว่าใครพูดเมื่อใด ให้ใส่ป้ายกำกับหรือใช้การแยกช่วงเสียงตามผู้พูดแล้วตรวจสอบผล หากต้องการทราบเวลาที่พูดแต่ละคำ ให้จัดแนวคำกับไฟล์บันทึกจริง อย่าแบ่งระยะเวลาของช่วงคำบรรยายเท่า ๆ กันให้แต่ละคำ

<a id="are-youtube-transcripts-accurate-enough-to-quote"></a>

### ข้อความถอดเสียง YouTube แม่นยำพอที่จะใช้อ้างคำพูดไหม


ใช้ข้อความถอดเสียงค้นหาช่วงเวลาที่ต้องการ แล้วใช้ไฟล์บันทึกตรวจสอบคำพูด หากอ้างคำพูดของผู้พูดภาษาญี่ปุ่นเป็นภาษาอังกฤษ ให้ระบุว่าเป็นคำแปลของคุณ คำบรรยายจากผู้อัปโหลด หรือเสียงพากย์ ประโยคที่อ่านลื่นไหลไม่ใช่หลักฐานว่าผู้พูดคนใดใช้ถ้อยคำเหล่านั้นตรงทุกคำ

<a id="can-public-youtube-transcripts-be-used-to-train-a-model-or-shared-as-a-dataset"></a>

### ใช้ข้อความถอดเสียง YouTube แบบสาธารณะฝึกโมเดลหรือแชร์เป็นชุดข้อมูลได้ไหม


การเข้าถึงแบบสาธารณะเพียงอย่างเดียวไม่ได้ให้สิทธิ์สำหรับการใช้งานทั้งสองแบบ ตรวจสอบให้ชัดเจนว่าสิทธิ์ใดครอบคลุมการรวบรวม การฝึก และการแจกจ่ายข้อความหรือสื่อต่อ ซึ่งเป็นการตัดสินใจแยกกัน จากนั้นพิจารณาว่าป้ายกำกับเหมาะกับงานหรือไม่ คำแปลภาษาอังกฤษที่ได้รับอนุญาตให้ใช้ก็ยังอาจเป็นข้อความอ้างอิงที่ไม่เหมาะกับการรู้จำเสียงพูดภาษาอังกฤษ คู่มือใบอนุญาตของ YouTube อธิบายความแตกต่างระหว่างใบอนุญาตมาตรฐานกับ Creative Commons Attribution

- [คู่มือใบอนุญาตของ YouTube](https://support.google.com/youtube/answer/2797468?hl=en)

<a id="why-is-a-transcript-different-when-i-fetch-it-again"></a>

### ทำไมข้อความถอดเสียงจึงต่างไปเมื่อดึงอีกครั้ง


ตรวจสอบวิดีโอ ภาษาของเสียง ภาษาคำบรรยาย และแหล่งที่มาของแทร็ก คุณอาจกำลังเปรียบเทียบคนละแทร็ก แม้เป็นวิดีโอเดียวกันก็เปลี่ยนแปลงได้ ครีเอเตอร์สามารถแก้ไขข้อความหรือเวลาแล้วเผยแพร่แทร็กคำบรรยายฉบับปรับปรุง หากได้รับอนุญาต ให้เก็บวันที่ดึงข้อมูลและเวอร์ชันหรือแฮชเนื้อหาไว้ เพื่อแยกได้ว่าเกิดจากการแก้ไขเนื้อหาหรือการเปลี่ยนนโยบายการเลือกของคุณ

- [YouTube: แก้ไขหรือนำคำบรรยายออก](https://support.google.com/youtube/answer/2734705?hl=en)
